随着 Web技术的发展，Web服务在互联网中的数量迅速增长，互联网上出现了大量在功能上相同或相近的 Web服务，但是它们的非功能属性往往是不同的，因此在对这些服务进行操作时，不仅需要考虑到服务功能方面的需求，还需要考虑服务质量这些非功能方面的需求。QoS用来描述和评价 Web服务的非功能属性，现有的基于 QoS的 Web服务方面的研究，大多是假设目标用户调用Web服务的QoS已知。然而，实际中 QoS数据往往是不完整的，因此就需要根据已知的数据对用户未使用过的 Web服务的 QoS进行预测，预测的原则是尽可能的保证精准。　　针对在为用户选择和组合其满意的Web服务时服务质量（Quality of Service，QoS）缺失的问题进行研究，将协同过滤技术运用到预测 Web服务未知QoS的研究中，提出了一种R-SRec模型。研究了Web服务的QoS相似性计算模型，对 Web服务的 QoS进行数据化处理，分析了现有的欧氏距离、余弦相似性和皮尔森相似性等应用比较广泛的相似性计算方法，但是传统的相似性计算方法在数据比较稀疏的情况可能会高估实际上并不相似的用户或服务。针对此问题，对传统的皮尔森相似性算法进行改进，用相似性权重算法计算相似性。　　研究协同过滤方法在预测阶段预测精度问题，在预测阶段加入了用户位置信息和服务的反向预测，提高了预测精准度。首先在基于用户的协同过滤算法中融入用户网络位置信息，提高了参与预测数据的空间相关度。然后在基于服务的协同过滤算法中加入 Web服务反向预测，缓解了数据稀疏问题。最后根据不同的置信度融合两种算法对缺失的 QoS值进行预测。使用真实的数据集与其他三类常用的算法进行比较，实验结果表明该方法的预测结果精确度更高。